第173期 - 从预训练、后训练和世界模型开始，真正理解 AI
Hao的游戏PM笔记
📝 本期摘要
Hao本期用大白话拆解了普通游戏行业从业者最容易被绊住的一批 AI 术语：预训练、后训练、SFT、RLHF、对齐、推理、参数、MoE、蒸馏，以及今年最热的 coding、Agent、Computer Use、RSI 和世界模型。Hao 结合自己十年游戏项目管理和团队 AI 落地的经验，把这条从「基座模型」到「内部助手」的链路讲清楚，并落到一个游戏行业的核心问题上——游戏公司到底要不要有自己的模型。核心结论是：大多数游戏公司不会从零做预训练，但自部署开源模型、用私有数据做微调和后训练，正在变得可行，前提是数据够干净、评估标准够明确。
---
❓ 本期讨论了这些问题
• 预训练、后训练和推理到底各自决定了模型的什么？
• 为什么有的模型特别会哄人？「对齐」和「谄媚」是怎么来的？
• 什么是 Agent 和 Computer Use，它们和普通聊天机器人有什么区别？
• 游戏公司要不要训练自己的模型，从哪些场景起步最靠谱？
• AI 辅助编程普及之后，游戏团队的代码版本管理会发生什么变化？
• AI 能不能接管游戏项目管理里的敏捷流程、Sprint 排期和风险跟踪？
---
🔥 本期核心内容
1. 预训练定底子，后训练定好用，推理定每次怎么想
预训练让模型在海量材料里学会预测下一个词，得到基座模型；后训练用 SFT、RLHF、对齐把它变成听得懂指令、知道边界的助手；推理决定它每次被调用时怎么思考，也直接影响成本和答案质量。DeepSeek-R1 把「思考过程」直观展示给大众，是很多人第一次理解推理模型的起点。
2. 今年的主线是从「会写代码」到「会干活」
coding 是少数跑通商业化、又天然可验证的场景，所以成了各家必争之地；到 2026 年，重心转向 Agentic 能力——能规划、调用工具、自查结果的 Agent，配合 Computer Use 让 AI 走出聊天框去操作电脑。RSI（递归自我改进）则是更前沿的想象：AI 参与改进 AI 自己。
3. 游戏公司的机会不在从零训练，而在私有数据 + 后训练 + 内部 Agent
游戏公司手里有剧情、设定、美术资产、策划案、bug、测试用例、历史复盘等大量专有数据，这些是通用模型拿不到的上下文。适合起步的场景包括：客服/社区分流、UGC 审核、本地化与角色语气校对、bug 自动分类、测试用例生成、项目知识库问答，以及基于周报/会议纪要/风险记录的项目管理 Agent。
4. PM 的启示：AI 会成为研发协作里的一层新语言
学术语不是为了显专业，而是为了在 AI 选型、模型自建等讨论里听得懂、问得出关键问题（数据干不干净、评估标准是什么、是不是高频刚需）。AI 对游戏行业的影响会一路渗进工具链、资产管线、测试、项目管理和内容生产。
---
🏷️ 本期提到的人物与概念
人物：Yann LeCun
公司/产品：OpenAI（InstructGPT）/ DeepSeek（DeepSeek-R1）/ Google DeepMind（Dreamer、Genie）
概念：预训练 / Pre-training，后训练 / Post-training，监督微调 / SFT，人类反馈强化学习 / RLHF，对齐 / Alignment，谄媚 / Sycophancy，推理 / Reasoning，参数 / Parameters，混合专家 / MoE，蒸馏 / Distillation，智能体 / Agent，电脑操作 / Computer Use，递归自我改进 / RSI，世界模型 / World Model，版本管理 / Version Control，敏捷与 Sprint / Agile & Sprint，美术管线 / Art Pipeline，外包验收 / Outsourcing Acceptance
---
🔗 延伸话题
Q：AI 辅助编程普及后，游戏团队的代码版本管理该怎么做？
A：AI 生成代码量变大、提交更频繁，版本管理要更强调小步提交、清晰的分支策略和可回溯的评审记录，同时把「哪段代码由 AI 生成、基于什么 prompt」也纳入可追溯范围，避免出问题时定位不到源头。
Q：AI 能替代游戏项目管理里的敏捷流程和 Sprint 排期吗？
A：短期内更现实的是 AI 辅助而非替代——它能自动汇总周报、生成风险清单、跟踪 Sprint 燃尽和阻塞项，但目标拆解、优先级取舍和跨职能协调这些判断，仍然要靠人。方法论（Scrum/敏捷）本身不会消失，而是被 AI 减负。
Q：游戏美术项目管理和外包验收，能用 AI 提效吗？
A：可以从标准化环节切入，比如用 AI 做美术资产的命名规范校验、管线节点自查、外包交付物的初步对照检查，把人力集中在真正需要审美和质量判断的验收环节。前提同样是资产命名和管线数据足够规整。
Q：想理解 AI 又不是算法工程师，该从哪些词入手？
A：优先搞懂预训练、后训练、推理这条主线，再补 Agent、蒸馏、世界模型这几个高频词，基本就能听懂大部分 AI 选型和落地讨论了。
---
🌐 About This Episode
In this episode of Hao's Game PM Notes, Hao breaks down the AI vocabulary that game industry professionals keep running into — pre-training, post-training, RLHF, alignment, reasoning, MoE, distillation, agents, Computer Use, RSI, and world models. Drawing on ten years of game project management, he explains why most game studios won't pre-train their own base models, but will increasingly fine-tune and post-train open-source models on proprietary data. It's a practical primer for any game PM or game producer who wants to speak AI fluently.
---
📌 关于 Hao的游戏PM笔记
「Hao的游戏PM笔记」是一个专注游戏项目管理的垂直内容品牌，覆盖游戏PM知识体系、转行路径、AI提效与行业观察。
主理人 Hao，10年游戏行业经验，策划转项目经理，持有 PMP / PMI-ACP / PSM / PSPO 认证。
📚 系列课程：
• 《游戏项目管理14讲》——从零基础到游戏PM体系搭建
• 《从执行者到架构师》——进阶项目管理方法论
• 《游戏美术项目管理基础》——美术管线、外包管理与验收标准
• 《游戏人的AI第一课，从旁观者到驾驭者》——从AI旁观者到驾驭者的认知升级
• 《游戏PM的AI实战手册》——AI工具在游戏项目管理中的深度实战应用
📡 全平台：小宇宙播客 · B站 · 小红书 · 公众号 · 知乎
课程 · 一对一咨询 · PM成长社区 → pmnote.ai
